NASAとIBMは木曜日、約200万枚の月面画像タイルで学習させた新しいオープンソースの人工知能モデルが、クレーターのマッピング、珍しい火山地形の特定、月の極付近で氷が安定して存在する可能性のある場所の推定に利用できると発表した。NASA-IBM月面基盤モデルは、100万枚以上の高解像度カメラ画像と約96万4000枚のマルチスペクトル画像を組み合わせたもので、研究者は各タスクごとに個別のモデルを用意するのではなく、さまざまな種類の月面分析に再利用可能な技術基盤を利用できる。.

NASAの公式発表によると、このシステムは月面科学のために特別に構築された最初のオープンソース基盤モデルの一つである。その重み、下流モデル、ベンチマークデータ、コードは外部でのテストに利用可能だ。このオープン性が重要なのは、モデルの価値は開発者が報告するベンチマーク性能だけでなく、独立した研究者が結果を再現し、異なる機器、照明条件、科学的疑問にシステムを確実に適用できるかどうかにも左右されるからだ。

初期評価では、このモデルはクレーターのマッピングや不規則な海域の分割において、いくつかの強力なベースラインと同等またはそれ以上の性能を示し、極地の氷の安定性の推定においてはより明確な優位性を示した。 ロイター。これらの結果は有望だが、これは定義された研究課題における性能を測定したものであり、着陸の決定や回収可能な水の証明を測定したものではない。

月面データの一般モデル

基盤モデルは大規模なデータセットで学習されるため、学習された表現は、比較的少量のラベル付きデータを用いて、多くの下流タスクに適用できます。月面研究において、このアプローチは、科学者がクレーターの数を数えたり、地質構造を区分したり、表面の変化を比較したりするたびに、専用のモデルをゼロから設計・学習する必要性を軽減します。新しいモデルは、特定の科学的問題に合わせて微調整できる共通の視覚的基盤として機能します。.

訓練データは主に、2009年から月を観測しているNASAの月探査機LRO(ルナ・リコネサンス・オービター)から得られたものです。LROの ミッション記録に は、ほぼ全世界の表面マッピングに加え、温度、組成、放射線量の測定データが含まれています。NASAによると、LROのデータ量は他の惑星探査ミッションのデータ量を合わせたものを上回っており、貴重なアーカイブであるものの、手作業による徹底的な調査は困難だといいます。

このモデルには、NASAの重力回復・内部構造探査機(GRIL)と月探査機(LPR)ミッション、そして日本の月探査機(SEER)ミッションからの画像と地形情報も組み込まれています。複数のモダリティを組み合わせることで、単一の画像タイプだけでは抽出が難しい関係性をシステムが認識できるようになります。高解像度写真は微細な地表の特徴を示し、多波長観測と地形レイヤーは構成、標高、照明に関する情報を提供します。.

実用的な価値のある3つのテスト

クレーター検出は最も直感的に理解しやすい応用例です。科学者は衝突クレーターの数、大きさ、分布を利用して月面の相対的な年代を推定し、太陽系の歴史の一部を再構築します。膨大なアーカイブ全体にわたる検出の自動化は、この作業を加速させ、領域間の比較を容易にしますが、影、重なり合う縁、低解像度の画像などによって曖昧さが生じる場合は、人間の目視確認が依然として重要です。.

2つ目の課題は、不規則な海域、つまり周囲の地形よりも若いと思われる小さな火山地形を特定することです。これらの地形をマッピングすることで、研究者は月の火山活動と熱的進化に関する説明を検証することができます。このモデルを使えば、手作業による探索よりも迅速にこれらの地形を区分けできるため、科学者はより多くの時間を地形の分布の解釈や、どの場所をより詳細に観察すべきかの判断に費やすことができます。.

3つ目の応用分野である極地氷の探査は、最も明確な運用上の意義を持つ。永久影クレーターは、数十億年にわたって氷を保存できるほど低温を保つことができる。NASAの 月面水 では、氷の堆積物から、水がどのように月に到達し、移動したかが明らかになる可能性があると説明されている。将来の探査計画では、利用可能な水は飲料水、酸素製造、推進剤などにも利用できる可能性があるが、探査可能性マップは、堆積物の量、純度、抽出可能性を検証するのではなく、可能性のある場所を特定するものである。

オープンアクセスはテストの範囲を広げる

NASAとIBMは、クレーター検出、氷の探査可能性、不規則な海域の分割といった個別の下流バージョンを含むモデルコレクションを Hugging Face。この公開により、大学や小規模な研究グループは、独自にトレーニングするには費用がかかるシステムを利用できるようになる。また、各研究室がそれぞれ異なる出発点を構築することを強いられることなく、新しいアプローチを比較するための共通の基準が確立される。

関連 コードリポジトリ には、微調整ツールや推論ツール、オープンソースのTerraTorchフレームワークとの統合、および下流タスクの設定が含まれています。NASAは、機械学習に対応したデータセットとベンチマークコレクションも公開しています。リポジトリには、事前学習コードは含まれていないと記載されており、研究者は元の学習プロセスをどの程度再現できるかを評価する際に、この点を考慮する必要があります。

オープンウェイトとオープンコードだけでは、他の障壁は自動的に解消されません。大規模な画像認識モデルを実行するには、依然として計算リソース、技術的な専門知識、そして慎重なデータ処理が必要です。研究者はまた、ベンチマークデータセットに地理的またはセンサー的な偏りがないか、トレーニング画像が評価データと重複していないか、極端な照明条件や不均一な照明条件を受ける領域でモデル誤差がどのように変化するかなども検証する必要があります。.

月面画像が難しい理由

月は、コンピュータビジョンにおいて特有の課題を抱えている。大気がほとんどないため、表面の見え方は太陽光の角度に大きく左右され、極付近では同じ地形でも観測ごとに劇的に異なる場合がある。深い影はクレーターの底を覆い隠し、明るい斜面は表面の質感を見えにくくする。NASAは、地表の地形が変わっていなくても、照明の変化によって小さなクレーターの見え方が変わる可能性があると警告している。.

解像度も制約の一つです。トレーニングアーカイブには、ピクセルあたり約1メートルから100メートルまでの範囲の画像が組み合わされているため、あるデータレイヤーでは巨礫規模の地形が捉えられている一方で、別のデータレイヤーではその周辺地質学的環境のみが捉えられている可能性があります。モデルは、あらゆる差異を物理的な変化として扱うことなく、これらのスケール間で有用な関連性を学習する必要があります。したがって、モデルの予測は、機器の校正や地質学的判断の代替となるものではなく、専門家による分析の優先順位付けのためのツールとして捉えるのが最善です。.

付属の 技術報告書 とベンチマークにより、専門家はアーキテクチャ、トレーニング方法、タスク固有のパフォーマンスを検証できます。次に最も重要な証拠は、モデル開発者が選択しなかったデータ(他のミッションからの観測データや新たに収集された画像など)に対する独立した評価から得られます。あるベンチマークで23%の改善が得られたとしても、それが必ずしも月のすべての領域や科学的目標において同様の改善をもたらすとは限りません。

AIが科学インフラとなる

月面モデルは、科学研究のための再利用可能なAIシステムを構築するという、NASAとIBMによる広範な取り組みの一環です。これまでのPrithviモデルは、地球観測、気象、洪水、農作物、ハリケーンなどを対象としており、太陽モデルは宇宙天気予報のために開発されています。NASAの AI戦略 これらのシステムを、研究者が手作業で調査できる速度よりも速いペースで増え続ける大規模な公開データセットから、より多くの価値を引き出す手段として位置づけています。

このアプローチは、科学ソフトウェアの経済性を変える可能性を秘めている。広く活用できるモデルを一つ開発し、それを公開することで、多くのチームが初期費用を分担し、検証や専門的なアプリケーション開発にリソースを集中させることができる。また、研究者が同じベンチマークに基づいて結果を報告すれば、研究間の比較可能性も向上する。ただし、広く採用された基本モデルは、多くのプロジェクトでその盲点が広がる可能性があり、ドキュメント作成と独立したテストが不可欠となるというトレードオフがある。.

直近のミッションの背景としては、NASAの アルテミス計画。この計画は、持続的な月探査、そして将来の火星探査ミッションに向けた経験を積むことを目的としている。より精度の高い地図は、着陸候補地を絞り込み、地形上の危険箇所を特定し、資源を直接測定する地点の優先順位付けに役立つだろう。しかし、このモデルは着陸地点を単独で選択するわけではない。工学的制約、通信、照明、科学的目標、そして直接観測といった要素も、その決定に考慮される。

リリースで明らかになること

NASAとIBMが共同で発表した成果は、単一の事前学習済みシステムが複数の月面マッピング作業において競争力のある性能を発揮できること、そして開発者たちがコアとなる資産を検証のために公開していることを示しています。しかし、すべての予測が正確であること、疑わしい氷を抽出できること、あるいは自動分析が惑星科学者に取って代わることができることを証明するものではありません。これらの区別は、AIの結果が高額なミッションや安全性が極めて重要な計画に影響を与える場合に特に重要となります。.

次の段階では、このモデルが単なる実証実験ではなく、持続可能な研究プラットフォームとなるかどうかを検証します。独立したチームによる採用、新たなミッションデータでの性能、失敗事例の透明性のある報告、そして分析時間の測定可能な短縮は、運用上の価値を示すより強力な証拠となるでしょう。今のところ、NASAとIBMは、高度なコンピュータビジョンを月面に適用するための技術的な障壁を下げ、その利点がどこまで及ぶかを検証しなければならない科学コミュニティにシステムを開放しました。.